論文の概要: A two-step machine learning approach for crop disease detection: an
application of GAN and UAV technology
- arxiv url: http://arxiv.org/abs/2109.11066v1
- Date: Sun, 19 Sep 2021 03:51:20 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-24 15:13:09.337426
- Title: A two-step machine learning approach for crop disease detection: an
application of GAN and UAV technology
- Title(参考訳): 作物病検出のための2段階機械学習アプローチ : GANとUAV技術の応用
- Authors: Aaditya Prasad (1), Nikhil Mehta (1), Matthew Horak (2), Wan D. Bae
(3) ((1) Tesla STEM High School, (2) Lockheed Martin Corporation, (3) Seattle
University)
- Abstract要約: 本稿では,低忠実度および高忠実度画像を連続的に解析する2段階の機械学習手法を提案する。
その結果,高忠実度系では96.3%,低忠実度系では75.5%の信頼度が得られた。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automated plant diagnosis is a technology that promises large increases in
cost-efficiency for agriculture. However, multiple problems reduce the
effectiveness of drones, including the inverse relationship between resolution
and speed and the lack of adequate labeled training data. This paper presents a
two-step machine learning approach that analyzes low-fidelity and high-fidelity
images in sequence, preserving efficiency as well as accuracy. Two
data-generators are also used to minimize class imbalance in the high-fidelity
dataset and to produce low-fidelity data that is representative of UAV images.
The analysis of applications and methods is conducted on a database of
high-fidelity apple tree images which are corrupted with class imbalance. The
application begins by generating high-fidelity data using generative networks
and then uses this novel data alongside the original high-fidelity data to
produce low-fidelity images. A machine-learning identifier identifies plants
and labels them as potentially diseased or not. A machine learning classifier
is then given the potentially diseased plant images and returns actual
diagnoses for these plants. The results show an accuracy of 96.3% for the
high-fidelity system and a 75.5% confidence level for our low-fidelity system.
Our drone technology shows promising results in accuracy when compared to
labor-based methods of diagnosis.
- Abstract(参考訳): 自動植物診断は、農業のコスト効率を大幅に向上させる技術である。
しかし、複数の問題により、解像度と速度の逆関係や適切なラベル付きトレーニングデータの欠如など、ドローンの有効性が低下する。
本稿では,低忠実度および高忠実度画像を連続的に解析し,効率と精度を維持した2段階機械学習手法を提案する。
2つのデータジェネレータは、高忠実度データセットのクラス不均衡を最小化し、UAV画像を表す低忠実度データを生成するためにも使用される。
クラス不均衡で劣化した高忠実度リンゴ樹画像のデータベース上で,応用と方法の解析を行う。
アプリケーションは、生成ネットワークを用いて高忠実度データを生成し、その新しいデータと元の高忠実度データを用いて低忠実度画像を生成する。
機械学習の識別子は植物を識別し、病原性の有無をラベル付けする。
機械学習の分類器は、病気の可能性のある植物イメージを与えられ、これらの植物に対して実際の診断を返す。
その結果,高忠実度システムでは96.3%,低忠実度システムでは75.5%の信頼性が得られた。
当社のドローン技術は、労働ベースの診断方法と比較して、有望な精度を示す。
関連論文リスト
- RIGID: A Training-free and Model-Agnostic Framework for Robust AI-Generated Image Detection [60.960988614701414]
RIGIDは、堅牢なAI生成画像検出のためのトレーニング不要でモデルに依存しない方法である。
RIGIDは、既存のトレーニングベースおよびトレーニング不要な検出器を著しく上回っている。
論文 参考訳(メタデータ) (2024-05-30T14:49:54Z) - Enhanced Droplet Analysis Using Generative Adversarial Networks [0.0]
この研究は、DropletGANという画像生成装置を開発し、ドロップレットの画像を生成する。
また、合成データセットを用いた光液滴検出器の開発にも用いられている。
我々の知る限りでは、この研究は初めて、液滴の検出を増強するための生成モデルを用いたものである。
論文 参考訳(メタデータ) (2024-02-24T21:20:53Z) - An unobtrusive quality supervision approach for medical image annotation [8.203076178571576]
ユーザは、目に見えないデータを注釈付けして、不当にパフォーマンスを評価できる自動化システムを持つことが望ましい。
我々は, 条件付き生成逆数ネットワークと拡散モデルという, 合成された個々の細胞画像を生成する2つの方法を評価する。
ユーザーは52.12%の画像を検出できず、元の細胞を合成細胞に置き換える可能性を証明することができた。
論文 参考訳(メタデータ) (2022-11-11T11:57:26Z) - Generative models-based data labeling for deep networks regression:
application to seed maturity estimation from UAV multispectral images [3.6868861317674524]
種子の成熟度モニタリングは、気候変動とより制限的な慣行による農業における課題の増加である。
従来の手法は、フィールドでの限られたサンプリングと実験室での分析に基づいている。
マルチスペクトルUAV画像を用いたパセリ種子の成熟度推定手法の提案と,自動ラベリングのための新しいアプローチを提案する。
論文 参考訳(メタデータ) (2022-08-09T09:06:51Z) - High-Resolution UAV Image Generation for Sorghum Panicle Detection [23.88932181375298]
本稿では,データ拡張のためのGAN(Generative Adversarial Network)からの合成トレーニング画像を用いて,ソルガムパニックの検出とカウントの性能を向上させる手法を提案する。
提案手法は,実際のUAV RGB画像の地上真実データセットを限定した画像から画像への変換GANを用いて,パニックラベルを用いた合成高解像度UAV RGB画像を生成することができる。
論文 参考訳(メタデータ) (2022-05-08T20:26:56Z) - Less is More: Lighter and Faster Deep Neural Architecture for Tomato
Leaf Disease Classification [0.36700088931938835]
本研究は,トマト葉の病原体を検出するための,手軽な伝達学習に基づくアプローチを提案する。
効果的な前処理手法を用いて、照度補正による葉画像の高精細化を行い、分類を改良する。
提案アーキテクチャは99.30%の精度でモデルサイズ9.60MBと4.87M浮動小数点演算を実現している。
論文 参考訳(メタデータ) (2021-09-06T12:14:02Z) - Potato Crop Stress Identification in Aerial Images using Deep
Learning-based Object Detection [60.83360138070649]
本稿では, 深層ニューラルネットワークを用いたジャガイモの空中画像解析手法を提案する。
主な目的は、植物レベルでの健康作物とストレス作物の自動空間認識を実証することである。
実験により、フィールド画像中の健康植物とストレス植物を識別し、平均Dice係数0.74を達成できることを示した。
論文 参考訳(メタデータ) (2021-06-14T21:57:40Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳(メタデータ) (2021-02-26T02:29:30Z) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳(メタデータ) (2020-07-24T14:02:09Z) - Circumventing Outliers of AutoAugment with Knowledge Distillation [102.25991455094832]
AutoAugmentは多くの視覚タスクの精度を向上させる強力なアルゴリズムである。
本論文は作業機構を深く掘り下げ,AutoAugmentがトレーニング画像から識別情報の一部を除去できることを明らかにする。
教師モデルの出力に言及した知識蒸留を用いて,ネットワークトレーニングの指導を行う。
論文 参考訳(メタデータ) (2020-03-25T11:51:41Z) - Rectified Meta-Learning from Noisy Labels for Robust Image-based Plant
Disease Diagnosis [64.82680813427054]
植物病は食料安全保障と作物生産に対する主要な脅威の1つである。
1つの一般的なアプローチは、葉画像分類タスクとしてこの問題を変換し、強力な畳み込みニューラルネットワーク(CNN)によって対処できる。
本稿では,正規化メタ学習モジュールを共通CNNパラダイムに組み込んだ新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2020-03-17T09:51:30Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。